Kihagyás

Memgraph multi-labeling tipizáltság-mérőszám#

Memgraph (és Neo4j, és általában Cypher-graph-DB) entity-jei több címkét kaphatnak (SET n:Concept; SET n:Pattern;). Tipizáltság-mérőszámok (typed-rate, label-distribution, multi-label-overlap) double-counting hibára vezetnek, ha a script naivan count(:Label1) + count(:Label2) + ... SUM-ot csinál — az így kapott szám NAGYOBB lehet az entity-count-nál, ami félrevezető riport-output.

TL;DR#

  • Memgraph entity: MATCH (n:Entity) SET n:Concept után n címkéi = {Entity, Concept}. SET n:Pattern után = {Entity, Concept, Pattern}.
  • Rossz: MATCH (n:Concept) RETURN count(n) AS c1 + MATCH (n:Pattern) RETURN count(n) AS c2 → c1+c2 > total_entities (mert dupla-számolódik a {Concept, Pattern} overlap)
  • Jó: MATCH (n:Entity) WHERE size(labels(n)) > 1 RETURN count(n) AS typed (a :Entity az alap-label, plusz minden további típus-jelölő)
  • Multi-label-érték: feltérképezhető, de DISTINCT entity-count kell, NEM label-instance-count

Háttér — 2026-05-18 B-7 fanout typed-rate report-incidens#

A B-7 7-batch fanout után az audit-script azt jelentette: "tipizáltság 88.4%". Ez gyanúsan magas volt, mert csak ~1262 entity-re futott le explicit re-type call az autocommit-fix után. Manuális vizsgálat:

// audit-script logika (ROSSZ)
MATCH (n:Concept) RETURN count(n);  // 3349
MATCH (n:Decision) RETURN count(n); //   20
MATCH (n:Pattern) RETURN count(n);  //  948
MATCH (n:Skill) RETURN count(n);    // 2480
MATCH (n:Project) RETURN count(n);  //  220
MATCH (n:Tool) RETURN count(n);     //  733
// Sum = 7750. Entity-total = 8997. Typed-rate = 7750/8997 = 86.1%. BUT...

A valódi tipizáltság mérve size(labels) > 1:

MATCH (n:Entity) WHERE size(labels(n)) > 1 RETURN count(n);
// = 6547. Tipizáltság = 6547/8997 = 72.8%.

A 7750 - 6547 = 1203 "extra" label-instance olyan entity-kből származott, amik 2-3 címkét kaptak (pl. egy GEPA-szerű entity lehet :Skill + :Pattern egyszerre, vagy egy szakkifejezés :Concept + :Tool). A SUM-alapú riport ezeket dupla-háromszor számolta, és ~12pp-vel felfújta a "tipizáltság" számot.

A pattern#

Helyes mérőszámok set#

-- 1. Total entity count (denominator)
MATCH (n:Entity) RETURN count(n) AS total;

-- 2. Tipizált = van legalább 1 további label az alap :Entity-n túl
MATCH (n:Entity) WHERE size(labels(n)) > 1 RETURN count(n) AS typed;

-- 3. Generic-only (csak :Entity, nincs más)
MATCH (n:Entity) WHERE size(labels(n)) = 1 RETURN count(n) AS generic_only;

-- 4. Multi-label (2+ típus-címke az :Entity mellett)
MATCH (n:Entity) WHERE size(labels(n)) > 2 RETURN count(n) AS multi_typed;

-- 5. Label-distribution DISTINCT entity-szám szerint (helyes pie-chart)
MATCH (n:Entity)
UNWIND labels(n) AS lbl
WITH lbl, count(DISTINCT n) AS cnt
WHERE lbl <> 'Entity'
RETURN lbl, cnt ORDER BY cnt DESC;

A 5. query is "duplán számol" abban az értelemben, hogy ha egy entity :Concept ÉS :Pattern, akkor mind a két sor inkrementálódik 1-gyel — de ez szándékos egy distribution-bontásnál (mindkét label-nek 1 entity-tagja van). A SUM ezen oszlopon NEM értelmezhető tipizáltságként.

Multi-label arány (mennyire átfedők a címkék)#

MATCH (n:Entity)
RETURN size(labels(n)) AS label_count, count(n) AS entities
ORDER BY label_count;
-- Eredmény pl:
-- 1 → 2450 (generic-only)
-- 2 → 5344 (1 típus-címke)
-- 3 → 1100 (2 típus-címke)
-- 4 →  103 (3 típus-címke, ritka)

Ez adja a tényleges multi-label-átfedés-eloszlást, ami a SUM ↔ DISTINCT delta-t magyarázza.

Anti-pattern: SUM-of-counts mint typed-rate#

-- ROSSZ pattern, double-counts multi-label entity-ket
MATCH (n) WHERE n:Concept OR n:Pattern OR n:Skill ... RETURN count(n);

Ez a query is helytelen, mert OR látszólag "DISTINCT-el", de az n változó minden találatra egyszer számolódik a label-megelégedésig — viszont ha 3 label-konstrukció kifejezetten SUM-előállítást vár (különálló queryben + Python-oldali +=), akkor a Python-script double-count.

Másik anti-pattern: labels(n)[1] mint "az első nem-Entity label". Ez label-sorrendet feltételez, ami Memgraph-ban NEM garantált — két azonos-tag-szettű entity különböző sorrendű array-t adhat vissza (storage-belső sorrend). Helyette explicit filter: [l IN labels(n) WHERE l <> 'Entity'][0].

Reusable szabályok#

  1. Alap-label konvenció: minden entity-nek legyen 1 alap-label (pl. :Entity), amit a tipizálás SOSEM ad/vesz el. A tipizálás pluszban címkéz: :Entity:Concept, :Entity:Pattern, stb. Ezzel a size(labels) > 1 típus-detektor stabil.
  2. Tipizáltság := DISTINCT(typed)/DISTINCT(total) — sose SUM-instance-alapú.
  3. Label-distribution riportban tüntesd fel az "X% multi-label" sort — különben a stake-holder feltételezi, hogy a barchart-oszlopok diszjunktak.
  4. Audit-script count(DISTINCT n)-t használjon mindig, amikor entity-ket számol, NEM count(n)-t többszörös label-collect után.
  5. Schema-konstans-list: definiálj egy LABEL_HIERARCHY constants-listát (pl. ["Concept", "Pattern", "Decision", "Skill", "Project", "Tool", "Person", "Event"]) és minden audit script ebből iteráljon — NE hardkódolj cypher-stringben.

Hatás más graph-metrikákra#

A multi-label edge-case nem csak tipizáltságot érint, hanem:

  • Hub-detection — degree-számolás OK (edge-based), de label-szűrt-degree (MATCH (n:Concept)-[r]->()) szintén dupla-count-olhat, ha relations is multi-typed
  • Community-membership — Leiden / Louvain community-detection node-szinten egyértelmű, de "label-szerinti community-distribution" overlap-tárgyat tartalmaz
  • PageRank label-szűrt projekción — MATCH (n:Concept) WHERE n IN nodes_in_subgraph nézi label-tagságot, multi-label node-ok többször vesznek részt
  • Vector-search label-filter: WHERE node.label = 'Concept' Cypher-pattern NEM működik label-ekre, label-tagság-vizsgálat kell ('Concept' IN labels(n))

Komplementer pattern-ek#

  • Schema-validáció — startup-time-on script ellenőrzi, hogy minden entity-nek :Entity címkéje van. Ha nincs, error-flag
  • Label-lifecycle — explicit REMOVE n:OldLabel parancs label-deprekációra, NEM hagyod hogy maradjon és piszkítsa a metrikát
  • Tipizáltság-target = entity-szintű DISTINCT-rate, NEM label-instance density
  • Tag-cleanup ritka labels-re — ha egy label <10 entity-n él, vagy beolvad nagyobb taxonómiába, vagy kerül :OtherSpecific-be
  • Test-script multi-label-overlap-on — unit-test, ami szándékosan multi-label entity-t hoz létre, futtatja a metrika-querykt, és asserts a "tipizáltság < instance-sum"-ot

Élő alkalmazás — vault audit-szkript-fix (Next session)#

[!todo] TODO - /usr/local/bin/vault-typedness-report query-csere SUM-ról size(labels(n)) > 1-re - Backfill: 2026-05-17-3 → 2026-05-18 közötti tipizáltság-mérések újraszámolása (manual riport correction) - Label-distribution barchart kapjon "multi-label X%" footnote-ot - Schema-validate cron — heti MATCH (n) WHERE NOT n:Entity RETURN count(n), ha > 0, alert

Kapcsolódó#